| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-15页 |
| 1.2.1 基于日志的数据分析方法国内外研究现状 | 第11-13页 |
| 1.2.2 基于并行框架与内存计算的大数据分析方法国内外研究现状 | 第13-15页 |
| 1.2.3 国内外研究现状分析总结 | 第15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文后续内容组织结构 | 第16-18页 |
| 第2章 基于相似连接的多源日志并行预处理方法 | 第18-30页 |
| 2.1 日志与日志融合分析 | 第18-21页 |
| 2.1.1 多源日志互补性分析 | 第18-20页 |
| 2.1.2 基于日志的数据融合方法 | 第20-21页 |
| 2.2 数据预处理方法分析 | 第21-24页 |
| 2.2.1 多源数据预处理 | 第21-23页 |
| 2.2.2 基于相似连接的数据预处理方法 | 第23-24页 |
| 2.3 一种基于相似连接的并行预处理方法 | 第24-28页 |
| 2.3.0 相似连接算法的改进 | 第24-25页 |
| 2.3.1 基于MapReduce的聚合方法 | 第25-26页 |
| 2.3.2 改进的IAE-MapReduce数据聚合方法 | 第26-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 基于流形学习的决策树行为分析预测方法 | 第30-48页 |
| 3.1 流形学习概述 | 第30-31页 |
| 3.2 基于流形学习的数据降维方法 | 第31-37页 |
| 3.2.1 基于全局特征的流形学习降维算法 | 第31-33页 |
| 3.2.2 基于局部特征的流形学习降维算法 | 第33-34页 |
| 3.2.3 一种基于全局特征与局部特征相结合的流行学习数据特征提取方法 | 第34-37页 |
| 3.3 流形学习与决策树学习的互补性分析 | 第37-41页 |
| 3.3.1 决策树学习算法概述 | 第37-38页 |
| 3.3.2 决策树学习算法特性分析 | 第38-40页 |
| 3.3.3 互补性分析 | 第40-41页 |
| 3.4 一种基于流形学习的决策树行为分析预测方法 | 第41-47页 |
| 3.4.1 缓存树的构建 | 第41-43页 |
| 3.4.2 基于流形学习的待测属性的选择 | 第43-45页 |
| 3.4.3 基于缓存树的IAE-MapReduce并行优化设计 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 仿真实验与性能分析 | 第48-60页 |
| 4.1 相关算法的实现 | 第48-50页 |
| 4.1.1 基于IAE-MapReduce的相似连接预处理算法实现 | 第48-49页 |
| 4.1.2 基于流行学习的决策树测试属性选择方法 | 第49-50页 |
| 4.2 实验环境与实验过程 | 第50-53页 |
| 4.2.1 实验环境与实验对象 | 第50-53页 |
| 4.2.2 检测的实验过程 | 第53页 |
| 4.2.3 实验结果评估 | 第53页 |
| 4.3 实验结果与算法性能分析 | 第53-59页 |
| 4.3.1 算法效率评估 | 第53-56页 |
| 4.3.2 算法准确率评估 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第68-70页 |
| 致谢 | 第70页 |
